GAN 算法思想
刚看了GAN 的算法，在此推荐一篇博客，感觉讲得很清晰：
https://blog.csdn.net/on2way/article/details/72773771
在此记录一下，并以自己的理解再回忆一下GAN的思想。
引用博客中的图片
GAN简介
GAN全称生成对抗网络，由生成模型和判别模型组成，而这两个模型都是神经网络，故称为生成对抗网络。如图，左边的网络为生成网络，将一组数据输入，输出为一个制造的样本，右边为判别网络，根据输入的样本，判断为真实样本，还是生成网络制造的假样本。
于是，这两个网络就形成一个博弈，生成网络要做到生成的样本尽可能真实，让判别网络发现不了这是假样本，而判别网络要尽可能准确地区分真实样本和生成样本，最终达到一个平衡，至于怎样的平衡，就是看设计模型的需求了。
比如图中的场景，是需要生成网络生成尽可能真实的人脸样本，于是最终的平衡就希望是：判别网络无法区分真实图片和生成图片，即每个样本输出都为0.5。
模型训练
再次引用博客的图片，这是两个独立的神经网络，故训练应该分开单独训练。还是生成图片的例子：
1，首先训练判别网络，
将生成网络得到的样本集全部标注为0，将真实样本集全部标注为1，这样就得到了判别网络的训练集，判别网络就相当于一个有监督的二分类模型，经过训练即可得到较为准确的模型参数；
2，再训练生成网络，这次将生成的图片也标注为1，然后通过判别网络，根据差值修改生成网络的参数，并且保持判别网络参数不变。
3，重复上述1，2步骤，可使得生成网络生成的图片与真实样本无大差别。
